UMA NOVA ABORDAGEM PARA O CÁLCULO DE LIMITANTES PARA O PROBLEMA DA DIVERSIDADE MÁXIMA
|
|
- Pietra da Fonseca Olivares
- 5 Há anos
- Visualizações:
Transcrição
1 A tegração de cadeas produtvas com a abordagem da maufatura sustetável. Ro de Jaero, RJ, Brasl, 3 a 6 de outubro de 2008 UMA NOVA ABORDAGEM PARA O CÁLCULO DE LIMITANTES PARA O PROBLEMA DA DIVERSIDADE MÁXIMA Carlos Reato Seabra de Almeda Júor (INPE) cr_seabra@ahoo.com.br Luz Atoo Noguera Lorea (INPE) lorea@lac.pe.br O Problema da Dversdade Máma é um problema de atureza combatóra que cosste em selecoar os m tes mas dsttos de um couto N com elemetos, ode m, N e são prevamete determados. Dversos métodos heurístcos para o cálculo de soluções têm sdo abordados e testados, a maora baseada em algortmos de busca. Etretato a lteratura ão regstra grades esforços a obteção de lmtates de qualdade para a aálse dessas soluções. O método apresetado este trabalho aborda téccas de partcoameto de grafo e relaação lagrageaa (LagClus) para o cálculo de lmtates. Dversas stâcas foram testadas com dferetes parâmetros cas de eecução. Palavras-chaves: Dversdade Máma, Relaação Lagrageaa, Lmtates
2 A tegração de cadeas produtvas com a abordagem da maufatura sustetável. Ro de Jaero, RJ, Brasl, 3 a 6 de outubro de Itrodução O Problema da Dversdade Máma (PDM) é um problema da área de otmzação combatóra, que cosste em selecoar um determado úmero de elemetos pertecetes a um dado couto, de modo que o subcouto costtuído pelos tes selecoados sea o mas dversfcado possível. Isto é, sea N um couto com elemetos e dada a matrz de dstâcas que represeta a dfereça etre os elemetos de N, desea-se selecoar um subcouto M N, com m elemetos, tal que m <, de modo que M possua a maor dversdade possível (a matrz de dversdade é cosderada smétrca este trabalho). O PDM é o problema oposto ao de clusterzação, cuo obetvo é agrupar elemetos com característcas semelhates. A fgura. é apresetada a fm de represetar um eemplo de PDM ode os elemetos são potos o plao e a medda de dversdade é a dstâca eucldaa etre os potos. Para esse eemplo, com =9, o obetvo é ecotrar m=4 potos, sedo estes, o mas dstate possível um do outro. Fgura. Eemplo de um PDM com =9 e m=4 (Slva et al., 2003) Uma abordagem teressate do PDM, cocebda por Glover et al. (995), tem como obetvo otmzar a aplcação de recursos a preservação de espéces de modo a garatr a maor dversdade bológca possível respetado um lmte de recursos dspoíves. Mas aplcações á ctadas a lteratura são o gerecameto de recursos humaos e meração de dados em Argher e Cordoe (2006), VLSI desg e tratameto médco em Argher et al. (2006) detre outras. Város métodos heurístcos á foram eplorados para resolver o PDM, a maora baseada em estratégas sofstcadas de busca. Essas propostas têm, em geral, apresetado bos resultados. Equato que os métodos eatos têm se mostrado efcetes apeas para stâcas de pequeo porte (problemas com até 40 elemetos). Uma abordagem dferete é focada a obteção de lmtates, ão a solução dreta do problema. A escolha de um bom lmtate é mportate para a avalação de soluções ecotradas a partr de métodos ode ão há garata de obteção de um ótmo global. 2
3 A tegração de cadeas produtvas com a abordagem da maufatura sustetável. Ro de Jaero, RJ, Brasl, 3 a 6 de outubro de 2008 O PDM pode ser formulado como um problema de programação quadrátca bára com a restrção de úmero de elemetos selecoados. Outra técca comumete utlzada cosste a learzação do PDM em um problema lear tero msto, acrescetado varáves de decsão e gerado um couto de restrções (Glover et al. 993). Essa formulação permte a relaação lear de suas varáves de decsão e será o modelo utlzado este trabalho. O PDM pode ada ser represetado por um grafo completo e ão-drecoado, ode o peso de cada aresta correspode à medada de dversdade etre os pares de vértces lgados por essa aresta. Uma forma trval de cálculo de lmtates é a relaação lear das varáves de decsão. Outra estratéga teressate que tem apresetado bos resultados em problemas semelhates é a dvsão do problema em subproblemas através do partcoameto do grafo em clusters, relaado as arestas que lgam os vértces de clusters dferetes o setdo lagrageao LagClus (Lorea e Rbero, 2005; Lorea e Rbero, 2007; Lorea e Rbero, 2008). A lteratura do PDM ão apreseta regstros de utlzação da LagClus, que é o obeto de estudo deste trabalho. O restate deste trabalho se ecotra dvddo da segute forma. A seção 2 apreseta uma breve revsão da lteratura do PDM, ode podem ser ecotradas as prcpas cotrbuções. A seção 3 apreseta os modelos matemátcos do PDM. Na seção 4, ecotra-se a descrção das ferrametas e algortmos utlzados. A seção 5 descreve os testes computacoas e a seção 6 ecotram-se as cosderações fas do trabalho. 2. Revsão Bblográfca O Problema da Dversdade Máma fo troduzdo por Glover et al. (977), quado o autor apreseta uma formulação matemátca tera para o problema. Cotudo, essa formulação fo utlzada somete para resolução de pequeas stâcas. Os mesmos autores demostraram que o PDM pertece à classe de problemas NP-Hard através da redução do problema K- Clques (Ghosh 996), o que eplca a dfculdade de utlzação de métodos eatos para ecotrar a solução de stâcas de grade porte e ustfca a eploração de métodos heurístcos para o cálculo de lmtates de boa qualdade. Em 993, Glover et al. (993) sugerem a learzação da formulação quadrátca do PDM. A utlzação de heurístcas GRASP (Greed Radomzed Adptatve Search Procedure) em PDM s fo largamete estudada em Slva et al. (2003) e Slva et al. (2004a). Esses trabalhos comparam dferetes algortmos baseados em heurístcas GRASP com aálses detalhadas de resultados umércos, covergêca e tempo de processameto. Uma aposta em algortmos Tabu Search (TS) é bem sucedda em 2005 (Argher et al. 2005). Sua proposta atge resultados melhores que os á obtdos com a utlzação de algortmos GRASP. Em 2006, os mesmos autores atgem ovos resultados com uma proposta que eplora um algortmo TS com um mecasmo de memóra e duas metaheurístcas deomadas Varable Neghbohood Search (VNS) e Scatter Search (SS) (Argher e Cordoe 2006). Ada em 2006, Argher et. al (2006) apresetam um estudo de cálculo de lmtates semdefdos para PDM s. Duarte e Martí (2007) cotrbuem com o estudo comparatvo de TS com e sem memóra e outros algortmos estetes a lteratura do PDM. Cotuado o vestmeto em algortmos de busca, Duarte et al. (2007b) atgem melhores tempos utlzado as heurístcas Greed Radomzed Adptatve Search Procedure (GRASP) e TS. 3
4 A tegração de cadeas produtvas com a abordagem da maufatura sustetável. Ro de Jaero, RJ, Brasl, 3 a 6 de outubro de 2008 Mas um vestmeto em heurístcas GRASP fo apresetada por Slva et al. (2007), quado os autores estudam algortmos com dferetes modfcações. As heurístcas se mostram efcetes para soluções de boa qualdade em um tempo computacoal razoável. Duarte et al. (2007a) apresetam uma solução eata para o PDM que possblta uma aumeto a gradeza das stâcas com solução ótma em tempo vável, agora algus casos com até 00 elemetos podem ser resolvdos utlzado-se métodos eatos. 3. Modelos Dada a matrz de dversdade D = [ d ] smétrca, ode d correspode à dversdade etre os elemetos e, a formulação quadrátca do PDM é: v( PDM ) = ma sueto a = = m { 0, }, = K = =.. d Como D é smétrca, o problema pode ser reformulado da segute forma: v( PDM ) = ma sueto a = = m { 0, }, = K = = +.. d Esse trabalho se basea a learzação da seguda formulação, uma vez que esta trabalha com um úmero meor de varáves, garatdo um cosumo meor de memóra. No processo de learzação a segur, as varáves restrções que garatem que = : são substtuídas pelos termos e 4
5 A tegração de cadeas produtvas com a abordagem da maufatura sustetável. Ro de Jaero, RJ, Brasl, 3 a 6 de outubro de 2008 v( PDM ) = ma sueto a = + = m,, Q 0,, Q 0,, Q { 0, },, Q { 0, }, = K {(,, N, < } Q = 3.. LagClus Relaação Lagrageaa com dvsão em Clusters d = = + Embora recete e sem regstro de aplcação em PDM s, a LagClus tem sdo utlzada em problemas semelhates e apresetado bos resultados (Lorea e Rbero, 2005; Lorea e Rbero, 2007; Lorea e Rbero, 2008). A proposta deste trabalho aborda a utlzação da LagClus, tedo em vsta que até o mometo o cálculo de lmtates do PDM ão fo abordado com a relaação lagrageaa ou teve sua represetação em grafo eplorada. Com base a represetação em grafo do PDM, a déa prcpal do método se ecotra o partcoameto do grafo prcpal em p subgrafos. Após defda a quatdade de partções e realzada a clusterzação, é possível dvdr o problema prcpal em p subproblemas. Com essa dvsão espera-se reduzr o tempo de processameto a patamares compettvos. Para cada um dos p clusters formados será crado um subproblema, cua formulação clu a relaação lagrageaa das arestas cortadas que coectam os elemetos do própro cluster aos demas fora deste. Assm, dada a matrz de dstâcas D=[d ], cra-se o grafo G=(V,A), sedo V=N e A=D (matrz de adacecas com pesos). Do partcoameto de G em p clusters obtém-se: a) p clusters G, =,..p; b) V = V V2 K V p, ode V é o couto de vértces do cluster c) X = V V ; d) p subproblemas LagPDM, =...p. Para cada LagPDM detfca-se as segutes restrções de lgação: r) r2) r3) + ode R =., (, R 0, (, R 0, (, R {(, V, X } G ; 5
6 A tegração de cadeas produtvas com a abordagem da maufatura sustetável. Ro de Jaero, RJ, Brasl, 3 a 6 de outubro de 2008 A restrção prcpal, = m, cotua fazedo parte dos subproblemas, porém com uma alteração: = m p V = Para esse trabalho, o úmero de clusters p de cada stâca fo escolhdo coveetemete ao valor de m, de modo que p dvde m. Para cada subproblema LagPDM, os multplcadores de lagrage serào trabalhados da segute forma: a) α 0, para as restrções do tpo r; b) β 0, para as restrções do tpo r2; c) λ 0, para as restrções do tpo r3. Assm, cada LagPDM será escrto de modo a segur: v( LagPDM α (, R (, R ( d + ) = ma (, R α β β ) + λ (, R (, R ( d λ (, R + λ ) + d (, V + sueto a : + 0,, V { 0, }, V { 0, }, V,, V 0,, V, X Após a otmzação de cada LagPDM, a solução do problema será: p v( Lag PDM) = LagPDM + λ = (, Q, cl( ) cl( Ode cl()=cluster do elemeto, E seu dual lagrageao: p v( DLCPDM ) = m p p { Lag PDM } 4. Testes Computacoas A mplemetação fo desevolvda sobre a lguagem C++ e o solver XPRESS (Dash Optmzato, 2006) fo utlzado para resolver de forma eata os subproblemas da LagClus e a relaação lear das stâcas. 6
7 A tegração de cadeas produtvas com a abordagem da maufatura sustetável. Ro de Jaero, RJ, Brasl, 3 a 6 de outubro de 2008 Para a clusterzação, fo utlzada a bbloteca METIS (Karps e Kumar, 998a; Karps e Kumar, 998b; Karps e Kumar, 998c) desevolvda especfcamete para o partcoameto otmzado de grafos. Com essa bbloteca, é possível partcoar um grafo prcpal em um determado úmero p de partções mmzado o úmero de cortes ou peso total das arestas cortadas a dvsão (caso do PDM, ode cada aresta tem um peso dferete). A relaação das restrções de lgação pode comprometer a precsão da solução em relação a métodos eatos, por essa razão o obetvo da METIS é partcularmete mportate a aplcação proposta este documeto. Como os grafos de PDM s possuem pesos em suas arestas, o obetvo de mmzação de cortes METIS também é eplorado esse setdo. Com ela, é possível mmzar a soma dos pesos das arestas cortadas. No etato, a atureza do PDM é a dspersão. Assm, o partcoameto fo feto com o obetvo de mamzar a soma dos pesos das arestas. A otmzação do dual lagrageao do modelo e obteção dos lmtates fo calculada utlzadose o algortmo de subgradetes (Wolse 998; Narcso e Lorea 999), que também é abordado com bos resultados em Lorea et al. (999). Até o mometo as pesqusas têm eplorado a obteção de soluções váves de qualdade. Esses trabalhos apresetam resultados cada vez melhores, porém o estudo de téccas para aálse dessas soluções com o cálculo de lmtates de qualdade é uma ovdade para os PDM s. Os epermetos realzados têm como obetvo aalsar as soluções estetes a lteratura e compará-los com a aálse a partr da relaação lear. Foram realzados dversos epermetos, todos em ambete Wdows Vsta 32 bts, Processador Itel Core 2,,66 GB, com 2 GB de memóra RAM. Os resultados foram fetos com varações o úmero de partções, valores cas dos multplcadores de lagrage e valor do peso do passo do método dos subgradetes (Narcso e Lorea 999), porém as tabelas foram cosoldadas com os melhores resultados. Os testes foram dvddos as segutes categoras: a) AA- Aálse dos melhores resultados apresetados em Argher et al. (2005) para stâcas geradas por Adrade, com = 00, 50, 200 e 250; b) AS- Aálse dos melhores resultados apresetados em Argher et al. (2005) para stâcas geradas por Slva, com = 300, 400 e 500; c) SS- Aálse dos melhores resultados apresetados em Slva et al. (2004b) para stâcas geradas por Slva, com = 0, 20, 30, 40 e 50. A maor parte desses resultados é ótma e fo obtda através de métodos eatos. As tabelas 4., 4.2 e 4.3 estão estruturadas da segute forma: Istâca- Nome, sem etesão, do arquvo que cotém a stâca; - Valor de, úmero de elemetos de N; m- Valor de m, úmero de elemetos a serem selecoados; p- Número de clusters da LagClus que apresetou o melhor resultado; T - Tempo médo de processameto, em segudos; GAP (%)- Valor do gap, de acordo com a segute equação: GAP ( ) = ( sol) v z % 00 z. Ode z é o valor da melhos solução cohecda para a stâca utlzada e v(sol) é o valor do lmtate obtdo através da relaação lear covecoal das varáves de decsão o caso v(pdml), ou o valor obtdo através da LagClus o caso v(dlcpdm p ). O melhor 7
8 A tegração de cadeas produtvas com a abordagem da maufatura sustetável. Ro de Jaero, RJ, Brasl, 3 a 6 de outubro de 2008 lmtate de cada stâca está detfcado em egrto. A Tabela 4. apreseta os resultados obtdos a aálse da categora AA de epermetos. Os GAP s obtdos com a LagClus são semelhates, porém ada melhores do que os obtdos com a relaação lear. Durate a eecução dos testes, observou-se que o úmero de partções eerce uma forte fluêca tato o tempo de processameto quato a qualdade do lmtate. Istâca m p v(pdml) v(dlcpdm p ) GAP (%) 09a250m ,8 306, b200m ,98 23, b250m ,27 302, b250m ,5 25, c00m ,4 58, d50m ,76 62, d200m ,86 08, d250m ,00 07,84 89 Tabela 4. Aálse de soluções da categora AA As aálses do tpo AS estão cosoldadas a Tabela 4.2, ode pode ser verfcado, mas uma vez, que os lmtates calculados com a LagClus são lgeramete melhores do que os lmtates da relaação lear. Cotudo, devdo ao tamaho das stâcas, há uma dfereça mportate a estragéga dos subgradetes para esta categora. O peso do passo de atualzação (Narcso e Lorea, 999) ão é costate, ele decresce a cada prmera ão atualzação do lmtate até o mímo de 0,05, ou sea, ele pode ser atualzado equato seu valor correte for maor ou gual a 0,. A partr desse mometo seu valor permaece costate. Essa modfcação fo feta a tetatva de cosegur uma covergêca cal mas rápda, melhorado o tempo de processameto sem perder sgfcatvamete a qualdade do lmtate. T Istâca m p v(pdml) v(dlcpdm p ) GAP (%) matrz300m ,97 299, matrz300m ,62 8, matrz300m ,68 9, matrz400m ,94 90, matrz400m ,92 26, matrz500m ,76 83, matrz500m ,54 27, Tabela 4.2 Aálse de soluções da categora AS Na Tabela 4.3 são apresetadas as aálses do tpo SS. O couto de stâcas dessa categora é cosderada de pequeo porte. É possível observar que a dfereça etre os lmtates é cosderável, sedo sempre os lmtates da LagClus sgfcatvamete melhores. A facldade de trabalar com poucos clusters (2 a 5 partções) em pequeas stâcas é o motvo aparete para essa dfereça a qualdade dos lmtates esses casos. Os * marcam T 8
9 A tegração de cadeas produtvas com a abordagem da maufatura sustetável. Ro de Jaero, RJ, Brasl, 3 a 6 de outubro de 2008 as stâcas cuo valor de z utlzado fo o valor ótmo obtdo através de método eato em Slva et al. (2004b). Para as stâcas com o ome sublhado, o valor do peso passo do algortmo dos subgradetes (Narcso e Lorea, 999) fo atualzado damcamete, coforme descrto a o parágrafo de aálse da Tabela 4.2, a fm de gahar velocdade o tempo de processameto dos cálculos. Istâca m p v(pdml) v(dlcpdm p ) GAP (%) matrz0m4* ,78 79,05 0 matrz0m4* ,00 77,83 9 matrz0m4* ,98 2,90 9 matrz20m4* ,33 393,9 9 matrz20m4* ,00 08,56 4 matrz20m4* ,9 57,82 6 matrz20m4* ,64 34,72 39 matrz30m3* ,63 42,39 0 matrz30m3* ,69 02,96 50 matrz30m3* ,30 85,56 48 matrz30m3* ,02 37,9 254 matrz40m4* ,00 30,40 37 matrz40m4* ,69 34, matrz40m ,57 8,9 537 matrz40m ,45 54,9 72 matrz50m ,33 427,32 25 matrz50m ,7 63,88 40 matrz50m ,2 02,09 47 matrz50m , 74,4 5 Tabela 4.3 Aálse de soluções da categora SS 5. Cosderações Fas Este trabalho apreseta uma ova abordagem para o cálculo de lmtates de PDM s, a LagClus. Foram realzados dversos epermetos e depededo do úmero de clusters trabalhados e dos parâmetros do algortmo dos subgradetes a LagClus pode apresetar lmtates melhores do que a relaação lear das varáves de decsão da formulação learzada do problema. Cotudo o PDM possu característcas que dfcultam a aplcação da LagClus: d) A matrz de adacêcas possu uma desdade de 00%; e) A restrção prcpal ão é trabalhada com a mesma facldade que as demas os subproblemas; f) Os subproblemas, se muto grades, ada são dfíces de serem resolvdos por algum método eato. Nesses casos fo mposto um lmte de tempo de 20 segudos após a prmera solução tera ecotrada e a solução cosderada fo a melhor solução tera detro desse lmte de tempo. Por esse motvo, a qualdade dos lmtates apresetou um comportameto verso ao esperado em grades stâcas, melhorado o resultado para T 9
10 A tegração de cadeas produtvas com a abordagem da maufatura sustetável. Ro de Jaero, RJ, Brasl, 3 a 6 de outubro de 2008 um úmero maor de partções, uma vez que subproblemas pequeos foram resolvdos até sua otmldade, equato os grades podem ão atgr o poto ótmo. Os resultados sugerem o vestmeto em esforços para o aprmorameto de métodos baseados a dvsão em clusters, a fm de ecotrar lmtates melhores e em tempos meores. Agradecmetos Os autores agradecem ao professor Geraldo Regs Maur (Uversdade Federal do Espírto Sato UFES) pela colaboração documetal de grade auda para este trabalho. Referêcas Argher, R.; Cordoe, R. & Melza, Y., Tabu Search vs. GRASP for the Mamum Dverst Problem. DTI - Uverst of Mlao, Note del Polo 89, Argher, R.; Brugler, M. & Cordoe, R., Semdefte Bouds for the Mamum Dverst Problem. DTI - Uverst of Mlao, Note del Polo 95, Argher, R. & Cordoe, R., Better ad Faster Solutos for the Mamum Dverst Problem. DTI - Uverst of Mlao, Note del Polo 93, Dash Optmzato, XPRESS-MP 2006B: Xpress-Optmzer Referece Maual, 37 p, Duarte, A. & Martí, R., Tabu Search for the Mamum Dverst Problem. Europea Joural of Operatoal Research, Vol. 78, ssue, p. 7-84, Duarte A.; Gallego M. & Martí R., A eact method for the mamum dverst problem. Uverstat de Valèca, 2007a, Dspoível em: acesso em 28 ov Duarte A.; Gallego, M.; Lagua, M. & Martí R., Hbrd Heurstcs for the Mamum Dverst Problem. Computatoal Optmzato ad Applcatos, 2007b, dspoível em: acesso em 26 ov Ghosh, J. B., Computatoal aspects of the mamum dverst problem. Operatos Research Letters, Vol. 9, p. 75 8, 996. Glover, F.; Hersh G. & Mcmla, C., Selectg subset of mamum dverst. MS/IS 77-9, Uverst of Colorado at Boulder, 977. Glover, F.; Kuo C.C. & Dhr, K.S., Aalzg ad Modelg the Mamum Dverst Problem b Zero-Oe Programmg. Decso Sceces, Vol. 24, Issue 6, p. 7-85, 993. Glover, F.; Kuo, C.C. & Dhr, K.S., A dscrete optmzato problem model for preservg bologcal dverst. Appled Mathematcal Modelg, Vol. 9,., p , 995. Karps, G. & Kumar, V., A fast ad hgh qualt multlevel scheme for parttog rregular graphs. SIAM Joural o Scetfc Computg, Vol. 20, p , 998a. Karps, G. & Kumar, V., Multlevel algorthms for mult-costrat graph parttog. Arm HPC Research Ceter, Dep. of Computer Scece: Uverst of Mesota, Techcal Report 98-09, 998b. 0
11 A tegração de cadeas produtvas com a abordagem da maufatura sustetável. Ro de Jaero, RJ, Brasl, 3 a 6 de outubro de 2008 Karps, G. & Kumar, V., Multlevel -wa parttog scheme for rregular graphs. Joural of Parallel ad Dstrbuted Computg, Vol. 48,., p , 998c. Lorea, L.A.N.; See, E.L.F.; Pava, J.A.M. & Marcodes, S.P.B., Itegração de um modelo de p-medaas a sstemas de formações geográfcas. XXXI SBPO- Smpóso Braslero de Pesqusa Operacoal. Juz de Fora, 999. Lorea, L.A.N. & Rbero, G.M., Relaação lagrageaa com dvsão em clusters para algus problemas de otmzação modelados em grafos de cofltos. Proposta de teste de doutorado do curso de pós graduação em computação aplcada INPE, Lorea, L.A.N. & Rbero, G.M., Lagragea relaato wth clusters ad colum geerato for the maufacturer's pallet loadg problem. Computers & Operatos Research, Vol. 34(9), p , Lorea, L.A.N. & Rbero, G.M., Lagragea relaato wth clusters for pot-feature cartographc label placemet problems. Computers & Operatos Research, Vol. 35, p , Narcso, M.G. & Lorea, L.A.N., Lagragea/surrogate relaato for assgmet problems. Europea Joural of Operatoal Research, Vol. 4, p , 999. Slva, G.C.; Och, L.S. & Marts, S.L. O Problema da Dversdade Máma: Proposta e Aálse de Metaheurístca GRASP. Tedêcas em Matemátca Aplcada e Computacoal da SBMAC, submetdo em Dspoível em: Acesso em 30 ov Slva, G.C.; Adrade, M. R.; Marts, S.L. & Och, L.S., Epermetal comparso of greed radomzed adaptve search procedures for the Mamum dverst problem. Lecture Notes Computer Scece, ssue 3059, p , 2004a. Slva, G.C.; Marts, S.L. & Och, L.S., Aálse de Heurístcas GRASP para o Problema da Dversdade Máma. Dssertação de Mestrado em Cêcas da Computação UFF RJ, 2004b. Slva, G.C.; Adrade, M.R.; Marts, S.L.; Och, L.S. & Plasto, A., New heurstcs for the mamum dverst problem. Joural of Heurstcs, ago. 2007, Vol.3, ssue 4, p , Wolse, L.A., Iteger Programmg, Edtora Joh Wle & Sos, 998, p. 288, ISBN: , 998.
DECOMPOSIÇÕES LAGRANGEANAS PARA O PROBLEMA DE PROGRAMAÇÃO QUADRÁTICA BINÁRIA IRRESTRITA
versão mpressa ISSN 0101-7438 / versão ole ISSN 1678-5142 DECOMPOSIÇÕES LAGRANGEANAS PARA O PROBLEMA DE PROGRAMAÇÃO QUADRÁTICA BINÁRIA IRRESTRITA Geraldo Regs Maur* Lab. Assocado de Computação e Matemátca
Leia maisUma abordagem de geração de colunas para o Problema Generalizado de Atribuição
XXIV Ecotro ac. de Eg. de Produção - Floraópols, SC, Brasl, 03 a 05 de ov de 2004 Uma abordagem de geração de coluas para o Problema Geeralzado de Atrbução Edso Luz Fraça See (UESP/FEG) elfsee@feg.uesp.br
Leia maisInterpolação. Exemplo de Interpolação Linear. Exemplo de Interpolação Polinomial de grau superior a 1.
Iterpolação Iterpolação é um método que permte costrur um ovo cojuto de dados a partr de um cojuto dscreto de dados potuas cohecdos. Em egehara e cêcas, dspõese habtualmete de dados potuas, obtdos a partr
Leia maisAlgoritmo Evolução Diferencial Adaptado para o Problema das P-Medianas
Proceedg Seres of the Brazla Socety of Appled ad Computatoal Mathematcs, Vol. 2, N., 204. Trabalho apresetado o CMAC-Sul, Curtba-PR, 204. Algortmo Evolução Dferecal Adaptado para o Problema das P-Medaas
Leia maisMEDIDAS DE TENDÊNCIA CENTRAL I
Núcleo das Cêcas Bológcas e da Saúde Cursos de Bomedca, Ed. Físca, Efermagem, Farmáca, Fsoterapa, Fooaudologa, edca Veterára, uscoterapa, Odotologa, Pscologa EDIDAS DE TENDÊNCIA CENTRAL I 7 7. EDIDAS DE
Leia maisDecomposição Lagrangeana com Geração de Colunas para o Problema de Programação Quadrática Binária Irrestrita
Decoposção Lagrageaa co Geração de Coluas para o Problea de Prograação Quadrátca Bára Irrestrta Geraldo Regs Maur,2, Luz Atoo Noguera Lorea 2 Cetro de Cêcas Agráras, Departaeto de Egehara Rural Uversdade
Leia maisANÁLISE DE ERROS. Todas as medidas das grandezas físicas deverão estar sempre acompanhadas da sua dimensão (unidades)! ERROS
ANÁLISE DE ERROS A oservação de um feómeo físco ão é completa se ão pudermos quatfcá-lo. Para é sso é ecessáro medr uma propredade físca. O processo de medda cosste em atrur um úmero a uma propredade físca;
Leia maisDifusão entre Dois Compartimentos
59087 Bofísca II FFCLRP USP Prof. Atôo Roque Aula 4 Dfusão etre Dos Compartmetos A le de Fck para membraas (equação 4 da aula passada) mplca que a permeabldade de uma membraa a um soluto é dada pela razão
Leia maisXLVI Pesquisa Operacional na Gestão da Segurança Pública
XLVI Pesqusa Operacoal a Gestão da Seguraça Públca DISPOSIÇÃO DE FACILIDADES EM FILA DUPLA VIA PROGRAMAÇÃO INTEIRA MISTA Leoardo D. Secch Departameto de Matemátca Aplcada, UFES, 29932-540, São Mateus,
Leia maisConstrução e Análise de Gráficos
Costrução e Aálse de Gráfcos Por que fazer gráfcos? Facldade de vsualzação de cojutos de dados Faclta a terpretação de dados Exemplos: Egehara Físca Ecooma Bologa Estatístca Y(udade y) 5 15 1 5 Tabela
Leia maisA PROGRAMAÇÃO LINEAR FUZZY EM PROBLEMAS DE MISTURA
Pesqusa Operacoal a Socedade: Educação, Meo Ambete e Desevolvmeto a 5/09/06 Goâa, GO A PROGRAMAÇÃO LINEAR FUZZY EM PROBLEMAS DE MISTURA Adre Gadolpho Uversdade Católca de Petrópols alvesga@gbl.com.br Rcardo
Leia maisForma padrão do modelo de Programação Linear
POGAMAÇÃO LINEA. Forma Padrão do Modelo de Programação Lear 2. elações de Equvalêca 3. Suposções da Programação Lear 4. Eemplos de Modelos de PPL 5. Suposções da Programação Lear 6. Solução Gráfca e Iterpretação
Leia maisBruno Hott Algoritmos e Estruturas de Dados I DECSI UFOP. Aula 10: Ordenação
Bruo Hott Algortmos e Estruturas de Dados I DECSI UFOP Aula 10: Ordeação O Crtéro de Ordeação Ordea-se de acordo com uma chave: typedef t TChave; typedef struct{ TChave chave; /* outros compoetes */ Item;
Leia maisMATEMÁTICA APLICADA AO PLANEJAMENTO DA PRODUÇÃO E LOGÍSTICA. Silvio A. de Araujo Socorro Rangel
MATEMÁTICA APLICADA AO PLANEJAMENTO DA PRODUÇÃO E LOGÍSTICA Slvo A. de Arauo Socorro Ragel sarauo@blce.uesp.br, socorro@blce.uesp.br Apoo Facero: PROGRAMA Itrodução. Modelagem matemátca: cocetos báscos
Leia mais5 Critérios para Análise dos Resultados
5 Crtéros para Aálse dos Resultados Este capítulo tem por objetvos forecer os crtéros utlzados para aálse dos dados ecotrados a pesqusa, bem como uma vsão geral dos custos ecotrados e a forma de sua evolução
Leia maisVI - Integração Numérica
V - tegração Numérca C. Balsa & A. Satos. trodução São, este mometo, coecdos dos aluos métodos aalítcos para o cálculo do tegral dedo b ( d a sedo ( cotíua e tegrável o tervalo [ ab] ;. Cotudo, algumas
Leia maisCentro de Ciências Agrárias e Ambientais da UFBA Departamento de Engenharia Agrícola
Cetro de Cêcas Agráras e Ambetas da UFBA Departameto de Egehara Agrícola Dscpla: AGR Boestatístca Professor: Celso Luz Borges de Olvera Assuto: Estatístca TEMA: Somatóro RESUMO E NOTAS DA AULA Nº 0 Seja
Leia maisProfessor Mauricio Lutz REGRESSÃO LINEAR SIMPLES. Vamos, então, calcular os valores dos parâmetros a e b com a ajuda das formulas: ö ; ø.
Professor Maurco Lutz 1 EGESSÃO LINEA SIMPLES A correlação lear é uma correlação etre duas varáves, cujo gráfco aproma-se de uma lha. O gráfco cartesao que represeta essa lha é deomado dagrama de dspersão.
Leia maisÉ o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou. experimental.
É o grau de assocação etre duas ou mas varáves. Pode ser: correlacoal ou Prof. Lorí Val, Dr. val@mat.ufrgs.r http://www.mat.ufrgs.r/~val/ expermetal. Numa relação expermetal os valores de uma das varáves
Leia maisMEDIDAS DE POSIÇÃO: X = soma dos valores observados. Onde: i 72 X = 12
MEDIDAS DE POSIÇÃO: São meddas que possbltam represetar resumdamete um cojuto de dados relatvos à observação de um determado feômeo, pos oretam quato à posção da dstrbução o exo dos, permtdo a comparação
Leia maisEm muitas situações duas ou mais variáveis estão relacionadas e surge então a necessidade de determinar a natureza deste relacionamento.
Prof. Lorí Val, Dr. val@pucrs.r http://www.pucrs.r/famat/val/ Em mutas stuações duas ou mas varáves estão relacoadas e surge etão a ecessdade de determar a atureza deste relacoameto. A aálse de regressão
Leia maisESTATÍSTICA MÓDULO 2 OS RAMOS DA ESTATÍSTICA
ESTATÍSTICA MÓDULO OS RAMOS DA ESTATÍSTICA Ídce. Os Ramos da Estatístca...3.. Dados Estatístcos...3.. Formas Icas de Tratameto dos Dados....3. Notação por Ídces...5.. Notação Sgma ()...5 Estatístca Módulo
Leia mais? Isso é, d i= ( x i. . Percebeu que
Estatístca - Desvo Padrão e Varâca Preparado pelo Prof. Atoo Sales,00 Supoha que tehamos acompahado as otas de quatro aluos, com méda 6,0. Aluo A: 4,0; 6,0; 8,0; méda 6,0 Aluo B:,0; 8,0; 8,0; méda 6,0
Leia mais(1) no domínio : 0 x < 1, : constante não negativa. Sujeita às condições de contorno: (2-a) (2-b) CC2: 0
EXEMPLO MOTIVADO II EXEMPLO MOTIVADO II Método da Apromação Polomal Aplcado a Problemas Udrecoas sem Smetra. Equações Dferecas Ordáras Problemas de Valores o otoro Estrutura Geral do Problema: dy() d y()
Leia maisEstatística - exestatmeddisper.doc 25/02/09
Estatístca - exestatmeddsper.doc 5/0/09 Meddas de Dspersão Itrodução ão meddas estatístcas utlzadas para avalar o grau de varabldade, ou dspersão, dos valores em toro da méda. ervem para medr a represetatvdade
Leia maisA análise de variância de uma classificação (One-Way ANOVA) verifica se as médias de k amostras independentes (tratamentos) diferem entre si.
Prof. Lorí Va, Dr. http://www. ufrgs.br/~va/ va@mat.ufrgs.br aáse de varâca de uma cassfcação (Oe-Way NOV) verfca se as médas de amostras depedetes (tratametos) dferem etre s. Um segudo tpo de aáse de
Leia maisApostila de Introdução Aos Métodos Numéricos
Apostla de Itrodução Aos Métodos Numércos PARTE III o Semestre - Pro a. Salete Souza de Olvera Buo Ídce INTERPOAÇÃO POINOMIA...3 INTRODUÇÃO...3 FORMA DE AGRANGE... 4 Iterpolação para potos (+) - ajuste
Leia maisMédia. Mediana. Ponto Médio. Moda. Itabira MEDIDAS DE CENTRO. Prof. Msc. Emerson José de Paiva 1 BAC011 - ESTATÍSTICA. BAC Estatística
BAC 0 - Estatístca Uversdade Federal de Itajubá - Campus Itabra BAC0 - ESTATÍSTICA ESTATÍSTICA DESCRITIVA MEDIDAS DE CENTRO Méda Medda de cetro ecotrada pela somatóra de todos os valores de um cojuto,
Leia mais2. NOÇÕES MATEMÁTICAS
. NOÇÕES MATEMÁTICAS Este capítulo retoma algumas oções matemátcas ecessáras para uma boa compreesão de algus aspectos que serão mecoados e detalhados o presete trabalho. Algus destes aspectos podem abstrar
Leia maisConfiabilidade Estrutural
Professor Uversdade de Brasíla Departameto de Egehara Mecâca Programa de Pós graduação em Itegrdade Estrutural Algortmo para a Estmatva do Idce de Cofabldade de Hasofer-Ld Cofabldade Estrutural Jorge Luz
Leia mais8 Programação linear 78
8 Programação lear 78 8 Programação lear A programação lear cosderou duas fuções objetvo: (a) maxmzação da comercalzação do gás e (b) mmzação das perdas (recetas e multas cotratuas). Foram dealzados dos
Leia maisEstatística: Aplicação ao Sensoriamento Remoto SER ANO Estimação Pontual
Estatístca: Aplcação ao Sesorameto Remoto SER 04 - ANO 08 Estmação Potual Camlo Daleles Reó camlo@dp.pe.br http://www.dp.pe.br/~camlo/estatstca/ Iferêca Estatístca Cosdere o expermeto: retram-se 3 bolas
Leia maisRepresentação dos padrões. Tipos de atributos. Etapas do processo de agrupamento. 7.1 Agrupamento clássico. 7. Agrupamento fuzzy (fuzzy clustering)
7. Agrupaeto fuzzy (fuzzy clusterg) 7. Agrupaeto clássco Agrupaeto é a classfcação ão-supervsoada de padrões (observações, dados, objetos, eeplos) e grupos (clusters). Itutvaete, padrões seelhates deve
Leia maisCapítulo V - Interpolação Polinomial
Métodos Numércos C Balsa & A Satos Capítulo V - Iterpolação Polomal Iterpolação Cosdere o segute couto de dados: x : x0 x x y : y y y 0 m m Estes podem resultar de uma sequêca de meddas expermetas, ode
Leia maisALGORITMO GENÉTICO POR CADEIA DE MARKOV HOMOGÊNEA VERSUS NÃO-HOMOGÊNEA: UM ESTUDO COMPARATIVO
Revsta del Isttuto Chleo de Ivestgacó Operatva 2(202) 30-35 30 ALGORITMO GENÉTICO POR CADEIA DE MARKOV HOMOGÊNEA VERSUS NÃO-HOMOGÊNEA: UM ESTUDO COMPARATIVO V.S.M. Campos, A.G.C. Perera 2, L.A.Carlos 3
Leia maisEstudo do intervalo de confiança da regressão inversa utilizando o software R
Estudo do tervalo de cofaça da regressão versa utlzado o software R Llae Lopes Cordero João Domgos Scalo. Itrodução Na maora das aplcações evolvedo regressão, determa-se o valor de Y correspodete a um
Leia maisDistribuições de Probabilidades
Estatístca - aulasestdstrnormal.doc 0/05/06 Dstrbuções de Probabldades Estudamos aterormete as dstrbuções de freqüêcas de amostras. Estudaremos, agora, as dstrbuções de probabldades de populações. A dstrbução
Leia maisFaculdade de Tecnologia de Catanduva CURSO SUPERIOR DE TECNOLOGIA EM AUTOMAÇÃO INDUSTRIAL
Faculdade de Tecologa de Cataduva CURSO SUPERIOR DE TECNOLOGIA EM AUTOMAÇÃO INDUSTRIAL 5. Meddas de Posção cetral ou Meddas de Tedêca Cetral Meddas de posção cetral preocupam-se com a caracterzação e a
Leia maisCap. 5. Testes de Hipóteses
Cap. 5. Testes de Hpóteses Neste capítulo será estudado o segudo problema da ferêca estatístca: o teste de hpóteses. Um teste de hpóteses cosste em verfcar, a partr das observações de uma amostra, se uma
Leia maisTabela 1 Números de acidentes /mês no Cruzamento X em CG/07. N de acidentes / mês fi f
Lsta de exercícos Gabarto e chave de respostas Estatístca Prof.: Nelse 1) Calcule 1, e para o segute cojuto de valores. A,1,8,0,11,,7,8,6,,9, 1 O úmero que correspode a 5% do rol é o valor. O úmero que
Leia maisCapítulo 5: Ajuste de curvas pelo método dos mínimos quadrados
Capítulo : Ajuste de curvas pelo método dos mímos quadrados. agrama de dspersão No capítulo ateror estudamos uma forma de ldar com fuções matemátcas defdas por uma taela de valores. Frequetemete o etato
Leia mais( x) Método Implícito. No método implícito as diferenças são tomadas no tempo n+1 ao invés de tomá-las no tempo n, como no método explícito.
PMR 40 Mecâca Computacoal Método Implícto No método mplícto as dfereças são tomadas o tempo ao vés de tomá-las o tempo, como o método explícto. O método mplícto ão apreseta restrção em relação ao valor
Leia maisMétodos iterativos. Capítulo O Método de Jacobi
Capítulo 4 Métodos teratvos 41 O Método de Jacob O Método de Jacob é um procedmeto teratvo para a resolução de sstemas leares Tem a vatagem de ser mas smples de se mplemetar o computador do que o Método
Leia maisArquitetura da ART Controle 1 Controle 2
Teora de Ressoâca Adaptatva - ART Arqutetura da ART Cotrole Cotrole 2 Desevolvda por Carpeter e Grossberg como uma alteratva para resolver o dlema establdade-plastcdade (rede ão aprede ovos padrões). Realme
Leia maisOrdenação: Introdução e métodos elementares. Algoritmos e Estruturas de Dados II
Ordeação: Itrodução e métodos elemetares Algortmos e Estruturas de Dados II Ordeação Objetvo: Rearrajar os tes de um vetor ou lsta de modo que suas chaves estejam ordeadas de acordo com alguma regra Estrutura:
Leia mais4 Métodos Sem Malha Princípio Básico dos Métodos Sem Malha
4 Métodos Sem Malha Segudo Lu (9), os métodos sem malha trabalham com um cojuto de ós dstrbuídos detro de um domío, assm como com cojutos de ós dstrbuídos sobre suas froteras para represetar, sem dscretzar,
Leia maisEconometria: 3 - Regressão Múltipla
Ecoometra: 3 - Regressão Múltpla Prof. Marcelo C. Mederos mcm@eco.puc-ro.br Prof. Marco A.F.H. Cavalcat cavalcat@pea.gov.br Potfíca Uversdade Católca do Ro de Jaero PUC-Ro Sumáro O modelo de regressão
Leia mais3 Procedimento Experimental
3 Procedmeto Expermetal 3. Sstema de medção de vazão com extesômetro A Fg. 9 mostra o sstema de medção de vazão com extesômetro, o qual fo motado o laboratóro da PUC-Ro. este sstema, duas tubulações com,5
Leia maisSumário. Mecânica. Sistemas de partículas
umáro Udade I MECÂNICA 2- Cetro de massa e mometo lear de um sstema de partículas - stemas de partículas e corpo rígdo. - Cetro de massa. - Como determar o cetro de massa dum sstema de partículas. - Vetor
Leia mais15/03/2012. Capítulo 2 Cálculo Financeiro e Aplicações. Capítulo 2 Cálculo Financeiro e Aplicações. Capítulo 2 Cálculo Financeiro e Aplicações
Itrodução.1 Juros Smples Juro: recompesa pelo sacrfíco de poupar o presete, postergado o cosumo para o futuro Maora das taxas de uros aplcadas o mercado facero são referecadas pelo crtéro smples Determa
Leia maisMÉTODOS DE GERAÇÃO DE COLUNAS PARA PROBLEMAS DE ATRIBUIÇÃO
MÉTODOS DE GERAÇÃO DE COLUNAS PARA PROBLEMAS DE ATRIBUIÇÃO Edso Luz Fraça See UNESP Campus de Guaratguetá Faculdade de Egehara E-mal: elfsee@feg.uesp.br Luz Atoo Noguera Lorea INPE Isttuto Nacoal de Pesqusas
Leia maisA REGRESSÃO LINEAR EM EVENTOS HIDROLÓGICOS EXTREMOS: enchentes
Mostra Nacoal de Icação Cetífca e Tecológca Iterdscplar VI MICTI Isttuto Federal Catarese Câmpus Camború 30 a 3 de outubro de 03 A REGRESSÃO LINEAR EM EVENTOS HIDROLÓGICOS EXTREMOS: echetes Ester Hasse
Leia maisCálculo Numérico. Ajuste de Curvas Método dos Mínimos Quadrados. Profa. Vanessa Rolnik 1º semestre 2015
Cálculo Numérco Ajuste de Curvas Método dos Mímos Quadrados Profa. Vaessa Rolk º semestre 05 Ajuste de curvas Para apromar uma fução f por um outra fução de uma famíla prevamete escolhda (caso cotíuo)
Leia maisIvan G. Peyré Tartaruga. 1 Metodologia espacial
RELATÓRIO DE PESQUISA 5 Procedmetos o software ArcGIS 9. para elaborar os mapas da Regão Metropoltaa de Porto Alegre RMPA com as elpses de dstrbução drecoal etre 99 e 000 Iva G. Peré Tartaruga Metodologa
Leia maisGERAÇÃO DE PADRÕES DE CORTE PRODUTIVOS PARA A INDÚSTRIA DE MÓVEIS
Pesqusa Operacoal a Socedade: Educação, Meo Ambete e Desevolvmeto 2 a 5/09/06 Goâa, GO GERAÇÃO DE PADRÕES DE CORTE PRODUTIVOS PARA A INDÚSTRIA DE MÓVEIS Altamr G. de Fgueredo Socorro Ragel DCCE / IBILCE
Leia maisAlgoritmos de Interseções de Curvas de Bézier com Uma Aplicação à Localização de Raízes de Equações
Algortmos de Iterseções de Curvas de Bézer com Uma Aplcação à Localzação de Raízes de Equações Rodrgo L.R. Madurera Programa de Pós-Graduação em Iformátca, PPGI, UFRJ 21941-59, Cdade Uverstára, Ilha do
Leia maisCapitulo 1 Resolução de Exercícios
S C J S C J J C FORMULÁRIO Regme de Juros Smples 1 1 S C 1 C S 1 1.8 Exercícos Propostos 1 1) Qual o motate de uma aplcação de R$ 0.000,00 aplcados por um prazo de meses, à uma taxa de 2% a.m, os regmes
Leia maisConceitos básicos de metrologia. Prof. Dr. Evandro Leonardo Silva Teixeira Faculdade UnB Gama
Prof. Dr. Evadro Leoardo Slva Teera Faculdade UB Gama Metrologa: Cêca que abrage os aspectos teórcos e prátcos relatvos a medção; Descreve os procedmetos e métodos para determar as certezas de medções;
Leia maisx n = n ESTATÍSTICA STICA DESCRITIVA Conjunto de dados: Organização; Amostra ou Resumo; Apresentação. População
ESTATÍSTICA STICA DESCRITIVA Prof. Lorí Val, Dr. val@mat.ufrgs.br http://.ufrgs.br/~val/ Orgazação; Resumo; Apresetação. Cojuto de dados: Amostra ou População Um cojuto de dados é resumdo de acordo com
Leia maisAvaliação da qualidade do ajuste
Avalação da qualdade do ajuste 1 Alguma termologa: Modelo ulo: é o modelo mas smples que pode ser defdo, cotedo um úco parâmetro ( µ) comum a todos os dados; Modelo saturado: é o modelo mas complexo a
Leia mais7 Análise de covariância (ANCOVA)
Plejameto de Expermetos II - Adlso dos Ajos 74 7 Aálse de covarâca (ANCOVA) 7.1 Itrodução Em algus expermetos, pode ser muto dfícl e até mpossível obter udades expermetas semelhtes. Por exemplo, pode-se
Leia maisRESOLVENDO MOCHILAS COMPARTIMENTADAS RESTRITAS
RESOLVENDO MOCHILAS COMPARTIMENTADAS RESTRITAS Robso Hoto Uversdade Estadual de Lodra, CCE, Departameto de Matemátca CEP 8605-970, CP 600, foe (43) 337 450, hoto@uel.br Campus Uverstáro, Lodra, PR, Brasl
Leia maisEstimativa de Campos de Precipitação: Análise Geoestatística e Integração de Dados de Postos Pluviométricos e Satélite TRMM
Estmatva de Campos de Precptação: Aálse Geoestatístca e Itegração de Dados de Postos Pluvométrcos e Satélte TRMM Rodrgo Cauduro Das de Pava Isttuto de Pesqusas Hdráulcas Uversdade Federal do Ro Grade do
Leia maisUM MÉTODO DE PROJEÇÃO PARA PROBLEMAS DE COMPLEMENTARIDADE LINEAR
Vol., No., p. 69-79, dezembro de Pesqusa Operacoal 69 UM MÉTODO DE PROJEÇÃO PARA PROBLEMAS DE COMPLEMENTARIDADE LINEAR Crstae Mara Alves Pssarra Petroo Pulo Isttuto de Matemátca, Estatístca e Computação
Leia maisREGRESSÃO LINEAR 05/10/2016 REPRESENTAÇAO MATRICIAL. Y i = X 1i + 2 X 2i k X ni + i Y = X + INTRODUÇÃO SIMPLES MÚLTIPLA
REGRESSÃO LINEAR CUIABÁ, MT 6/ INTRODUÇÃO Relação dos valores da varável depedete (varável resposta) aos valores de regressoras ou exógeas). SIMPLES MÚLTIPLA (varáves depedetes,... =,,, K=,,, k em que:
Leia maisSUMÁRIO GOVERNO DO ESTADO DO CEARÁ. Cid Ferreira Gomes Governador. 1. Introdução... 2. Domingos Gomes de Aguiar Filho Vice Governador
INSTITUTO DE PESQUISA E ESTRATÉGIA ECONÔMICA DO CEARÁ - IPECE GOVERNO DO ESTADO DO CEARÁ Cd Ferrera Gomes Goverador Domgos Gomes de Aguar Flho Vce Goverador SECRETARIA DO PLANEJAMENTO E GES- TÃO (SEPLAG)
Leia maisAtividades Práticas Supervisionadas (APS)
Uversdade Tecológca Federal do Paraá Prof: Lauro Cesar Galvão Campus Curtba Departameto Acadêmco de Matemátca Cálculo Numérco Etrega: juto com a a parcal DATA DE ENTREGA: da da a PROVA (em sala de aula
Leia maisEstatística Descritiva. Medidas estatísticas: Localização, Dispersão
Estatístca Descrtva Meddas estatístcas: Localzação, Dspersão Meddas estatístcas Localzação Dspersão Meddas estatístcas - localzação Méda artmétca Dados ão agrupados x x Dados dscretos agrupados x f r x
Leia maisProblema de roteirização de veículos com entregas fracionadas: revisão da literatura
XIII SIMPEP Bauru, SP, Brasl, 06 a 08 de Noembro de 2006 Problema de roterzação de eículos com etregas fracoadas: resão da lteratura Patríca Prado Belfore (Cetro Uerstáro da FEI) patrca.belfore@fe.edu.br
Leia maisRelatório 2ª Atividade Formativa UC ECS
Relatóro 2ª Atvdade Formatva Eercíco I. Quado a dstrbução de dados é smétrca ou apromadamete smétrca, as meddas de localzação méda e medaa, cocdem ou são muto semelhates. O mesmo ão acotece quado a dstrbução
Leia maisComputação das Medidas de Tendência Central e Dispersão Intervalares em Java
V ERMAC-R o Ecotro Regoal de Matemátca Aplcada e Computacoal 9- de outubro de 00 Uersdade Potguar Natal/RN Computação das Meddas de Tedêca Cetral e Dspersão Iteralares em Jaa Laís M. Nees, Elaqum L. S.
Leia mais16/03/2014. IV. Juros: taxa efetiva, equivalente e proporcional. IV.1 Taxa efetiva. IV.2 Taxas proporcionais. Definição:
6// IV. Juros: taxa efetva, equvalete e proporcoal Matemátca Facera Aplcada ao Mercado Facero e de Captas Professor Roaldo Távora IV. Taxa efetva Defção: É a taxa de juros em que a udade referecal de seu
Leia mais2 Procedimentos para Ajuste e Tratamento Estatístico de Dados Experimentais
48 Procedmetos para Ajuste e Tratameto Estatístco de Dados Expermetas. Itrodução Modelos matemátcos desevolvdos para descrever eômeos íscos a partr de observações expermetas devem ser baseados em dados
Leia maisMÓDULO 8 REVISÃO REVISÃO MÓDULO 1
MÓDULO 8 REVISÃO REVISÃO MÓDULO A Estatístca é uma técca que egloba os métodos cetícos para a coleta, orgazação, apresetação, tratameto e aálse de dados. O objetvo da Estatístca é azer com que dados dspersos
Leia maisRegressão Simples. Parte III: Coeficiente de determinação, regressão na origem e método de máxima verossimilhança
Regressão Smples Parte III: Coefcete de determação, regressão a orgem e método de máxma verossmlhaça Coefcete de determação Proporção da varabldade explcada pelo regressor. R Varação explcada Varação total
Leia mais4 O Método de Análise Hierárquica
4 O Método de Aálse Herárquca 4.. Itrodução O método de aálse herárquca é um dos métodos multatrbuto mas utlzados e dfuddos o mercado mudal (Gomes, 007). Isso se deve, provavelmete, a duas razões. A prmera
Leia maisOtimização do Despacho Econômico de Energia Elétrica usando uma Combinação de Evolução Diferencial e Programação Quadrática Seqüencial
Otmzação do Despacho Ecoômco de Eerga Elétrca usado uma Combação de Evolução Dferecal e Programação Quadrátca Seqüecal Leadro dos Satos Coelho e Vvaa Cocco Mara Potfíca Uversdade Católca do Paraá rupo
Leia maisATRIBUIÇÃO DE ANTENAS A COMUTADORES EM REDES DE TELEFONIA CELULAR
ATRIBUIÇÃO DE ATEAS A COMUTADORES EM REDES DE TELEFOIA CELULAR Edso Luz Fraça See Uversdade Estadual Paulsta UESP Faculdade de Egehara de Guaratguetá FEG 256-40 Guaratguetá, SP elfsee@feg.uesp.br Luz Atoo
Leia mais16 - PROBLEMA DO TRANSPORTE
Prof. Volr Wlhel UFPR TP05 Pesqusa Operacoal 6 - PROBLEMA DO TRANSPORTE Vsa zar o custo total do trasporte ecessáro para abastecer cetros cosudores (destos) a partr de cetros forecedores (orges) a, a,...,
Leia maisMÉTODO DOS MÍNIMOS QUADRADOS
MÉTODO DOS MÍNIMOS QUADRADOS I - INTRODUÇÃO O processo de medda costtu uma parte essecal a metodologa cetífca e também é fudametal para o desevolvmeto e aplcação da própra cêca. No decorrer do seu curso
Leia maisModelos de Regressão Linear Simples e Múltipla. Fabio Antonio Avilla (Matemática) Profª Dra. Carine Savalli Redígolo (Orientadora)
Modelos de Regressão Lear Smples e Múltpla Fabo Atoo Avlla (Matemátca) Profª Dra. Care Savall Redígolo (Oretadora) Resumo Dversas áreas do cohecmeto cetífco procuram valdar suas hpóteses por meo de pesqusas
Leia maisInferência Estatística e Aplicações I. Edson Zangiacomi Martinez Departamento de Medicina Social FMRP/USP
Iferêca Estatístca e Aplcações I Edso Zagacom Martez Departameto de Medca Socal FMRP/USP edso@fmrp.usp.br Rotero Parte I Escola frequetsta Defções: parâmetros, estmatvas Dstrbuções de probabldade Estmação
Leia maisESTATÍSTICA APLICADA À ZOOTECNIA
ESTATÍSTICA APLICADA À ZOOTECNIA Eucldes Braga MALHEIROS *. INTRODUÇÃO.a) Somatóras e Produtóros Sejam,, 3,...,, valores umércos. A soma desses valores (somatóra) pode ser represetada por: = = = =. e o
Leia maisProf. Eugênio Carlos Stieler
http://www.uemat.br/eugeo Estudar sem racocar é trabalho 009/ TAXA INTERNA DE RETORNO A taa tera de retoro é a taa que equalza o valor presete de um ou mas pagametos (saídas de caa) com o valor presete
Leia maisMAE0229 Introdução à Probabilidade e Estatística II
Exercíco Cosdere a dstrbução expoecal com fução de desdade de probabldade dada por f (y; λ) = λe λy, em que y, λ > 0 e E(Y) = /λ Supor que o parâmetro λ pode ser expresso proporcoalmete aos valores de
Leia maisEstabilidade no Domínio da Freqüência
Establdade o Domío da Freqüêca Itrodução; apeameto de Cotoros o Plao s; Crtéro de Nyqust; Establdade Relatva; Crtéro de Desempeho o Domío do Tempo Especfcado o Domío da Freqüêca; Bada Passate de Sstema;
Leia maisDistribuições Amostrais. Estatística. 8 - Distribuições Amostrais UNESP FEG DPD
Dstrbuções Amostras Estatístca 8 - Dstrbuções Amostras 08- Dstrbuções Amostras Dstrbução Amostral de Objetvo: Estudar a dstrbução da população costtuída de todos os valores que se pode obter para, em fução
Leia maisEstudo das relações entre peso e altura de estudantes de estatística através da análise de regressão simples.
Estudo das relações etre peso e altura de estudates de estatístca através da aálse de regressão smples. Waessa Luaa de Brto COSTA 1, Adraa de Souza COSTA 1. Tago Almeda de OLIVEIRA 1 1 Departameto de Estatístca,
Leia mais3 Análises Probabilísticas de Estabilidade
3 Aálses Probablístcas de Establdade 3.1 Itrodução Para facltar o etedmeto das metodologas de aálse de cofabldade serão apresetados este capítulo algus cocetos báscos de probabldade e estatístca. 3. Cocetos
Leia maisRegressao Simples. Parte II: Anova, Estimação Intervalar e Predição
egressao Smples Parte II: Aova, Estmação Itervalar e Predção Aálse de Varâca Nem todos os valores das amostras estão cotdos a reta de regressão, e quato mas afastados estverem por, a reta represetará a
Leia maisMODELAGEM COMPUTACIONAL DETERMINÍSTICA DO FENÔMENO DE DECAIMENTO RADIOATIVO
007 Iteratoal uclear Atlatc Coferece - IAC 007 Satos, SP, Brazl, September 30 to October 5, 007 ASSOCIAÇÃO BRASILEIRA DE EERGIA UCLEAR - ABE ISB: 978-85-994-0- ODELAGE COPUTACIOAL DETERIÍSTICA DO FEÔEO
Leia maisMAE116 Noções de Estatística
Grupo C - º semestre de 004 Exercíco 0 (3,5 potos) Uma pesqusa com usuáros de trasporte coletvo a cdade de São Paulo dagou sobre os dferetes tpos usados as suas locomoções dáras. Detre ôbus, metrô e trem,
Leia maisTREINAMENTO DE UMA REDE PERCEPTRON DE MÚLTIPLAS CAMADAS UTILIZANDO ENHANCED-CONTINUOUS-GRASP
Aas do IX Cogresso Braslero de Redes Neuras /Itelgêca Computacoal (IX CBRN) Ouro Preto 25-28 de Outubro de 2009 Socedade Braslera de Redes Neuras TREINAMENTO DE UMA REDE PERCEPTRON DE MÚLTIPLAS CAMADAS
Leia mais3 Sistema Neuro-Fuzzy Hierárquico BSP (NFHB)
3 Sstema Neuro-Fuzzy Herárquco BSP (NFHB) 3.. Itrodução Os sstemas euro-fuzzy descrtos a seção ateror possuem lmtações por terem uma capacdade reduzda de cração de sua própra estrutura e de receberem um
Leia maisI Seminário da Pós-graduação em Engenharia Elétrica
MÉTODO PRIMAL-DUAL DE PONTOS INTERIORES EM PROBLEMAS DE DESPACHO ECONÔMICO COM RESTRIÇÃO AMBIENTAL Améla de Lorea Staza Alua do Programa de Pós-Graduação em Egehara Elétrca Uesp Bauru Prof. Dr. Atôo Roberto
Leia maisCapítulo 1: Erros em cálculo numérico
Capítulo : Erros em cálculo umérco. Itrodução Um método umérco é um método ão aalítco, que tem como objectvo determar um ou mas valores umércos, que são soluções de um certo problema. Ao cotráro das metodologas
Leia mais( ) Editora Ferreira - Toque de Mestre. Olá Amigos!
Olá Amgos! Hoje coloco à dsposção de vocês aqu a seção Toque de Mestre da Edtora Ferrera (www.edtoraferrera.com.br) as questões de Matemátca Facera cobradas o últmo cocurso da axa Ecoômca Federal (EF),
Leia maisCADERNO 1 (É permitido o uso de calculadora gráfica.)
Proposta de teste de avalação [mao 09] Nome: Ao / Turma: N.º: Data: - - Não é permtdo o uso de corretor. Deves rscar aqulo que pretedes que ão seja classfcado. A prova clu um formuláro. As cotações dos
Leia maisApêndice 1-Tratamento de dados
Apêdce 1-Tratameto de dados A faldade deste apêdce é formar algus procedmetos que serão adotados ao logo do curso o que dz respeto ao tratameto de dados epermetas. erão abordados suctamete a propagação
Leia mais